Skip to content
Extraits de code Groupes Projets
Valider c6e6b26a rédigé par Bastien Le Querrec's avatar Bastien Le Querrec
Parcourir les fichiers

pref35: utilise prefdpt

parent be946d94
Branches
Aucune étiquette associée trouvée
Aucune requête de fusion associée trouvée
import os from Attrap_prefdpt import Attrap_prefdpt
import datetime
from bs4 import BeautifulSoup
from urllib.parse import unquote
from Attrap import Attrap class Attrap_pref35(Attrap_prefdpt):
# Configuration de la préfecture
class Attrap_pref35(Attrap):
# Config
hostname = 'https://www.ille-et-vilaine.gouv.fr' hostname = 'https://www.ille-et-vilaine.gouv.fr'
raa_page = f'{hostname}/Publications/Recueil-des-actes-administratifs' raa_page = f'{hostname}/Publications/Recueil-des-actes-administratifs'
raa_page_archives = f'{hostname}/Publications/Recueil-des-actes-administratifs/Archives-des-recueils-des-actes-administratifs'
user_agent = 'Mozilla/5.0 (Windows NT 10.0; rv:109.0) Gecko/20100101 Firefox/115.0'
full_name = 'Préfecture d\'Ille-et-Vilaine' full_name = 'Préfecture d\'Ille-et-Vilaine'
short_code = 'pref35' short_code = 'pref35'
timezone = 'Europe/Paris' timezone = 'Europe/Paris'
def __init__(self, data_dir): # Configuration des widgets à analyser
super().__init__(data_dir, self.user_agent) year_regex = 'Recueil des actes administratifs ([0-9]{4})'
self.set_sleep_time(30) Attrap_prefdpt.white_card['regex']['year'] = year_regex
def get_raa(self, keywords):
year_pages_to_parse = []
# La page de l'année en cours est normalement listée sur raa_page # On ajoute un widget de menu déroulant
year_pages = self.get_sub_pages_with_pager( Attrap_prefdpt.select_widgets.append(
self.raa_page, Attrap_prefdpt.DptSelectWidget(
'div.fr-card.fr-card--horizontal.fr-card--sm.fr-enlarge-link.fr-mb-3w div.fr-card__body div.fr-card__content h2.fr-card__title a.fr-card__link', 'menu_deroulant',
'ul.fr-pagination__list li a.fr-pagination__link.fr-pagination__link--next.fr-pagination__link--lg-label', regex=year_regex,
None, css_path='div.fr-select-group select#Archives-des-RAA-liste-docs.fr-select'
self.hostname
) )
for year_page in year_pages: )
year = Attrap.guess_date(year_page['name'], '.*([0-9]{4})').year
if year >= self.not_before.year:
year_pages_to_parse.append(year_page['url'])
# Les URL des pages des années précédentes sont dans un menu déroulant de raa_page_archives
page_content = self.get_page(self.raa_page_archives, 'get').content
for option in BeautifulSoup(page_content, 'html.parser').select('div.fr-select-group select.fr-select option'):
if not option['value'] == '':
year = Attrap.guess_date(option.get_text().strip(), '.*([0-9]{4})').year
if year >= self.not_before.year:
url = option['value']
year_pages_to_parse.append(f'{self.hostname}/{url}')
elements = []
for raa_page in year_pages_to_parse:
page_content = self.get_page(raa_page, 'get').content
for element in self.get_raa_elements(page_content):
elements.append(element)
self.parse_raa(elements, keywords)
self.mailer()
def get_raa_elements(self, page_content):
elements = []
# On charge le parser
soup = BeautifulSoup(page_content, 'html.parser')
# Pour chaque balise a, on regarde si c'est un PDF, et si oui on le
# parse
for a in soup.find_all('a', href=True, class_='fr-link--download'):
if a['href'].endswith('.pdf'):
if a['href'].startswith('/'):
url = f"{self.hostname}{a['href']}"
else:
url = a['href']
url = unquote(url)
name = a.find('span').previous_sibling.replace('Télécharger ', '').strip()
date = datetime.datetime.strptime(a.find('span').get_text().split(' - ')[-1].strip(), '%d/%m/%Y')
raa = Attrap.RAA(url, date, name, timezone=self.timezone)
elements.append(raa)
return elements
0% Chargement en cours ou .
You are about to add 0 people to the discussion. Proceed with caution.
Veuillez vous inscrire ou vous pour commenter